GaitPart: Temporales Teilbasiertes Modell für die Gangerkennung

Gait-Recognition, angewendet zur Identifizierung individueller Gangmuster aus großer Entfernung, gilt als eine der vielversprechendsten videobasierten biometrischen Technologien. Derzeit gehen die meisten Ansätze zur Gait-Recognition davon aus, dass der menschliche Körper als einheitliches Ganzes betrachtet wird, um raumzeitliche Darstellungen zu erstellen. Wir haben jedoch beobachtet, dass verschiedene Körperteile während des Gehens deutlich unterschiedliche visuelle Erscheinungsbilder und Bewegungsmuster aufweisen. In neueren Arbeiten wurde bereits bestätigt, dass die Verwendung partieller Merkmale zur Beschreibung des menschlichen Körpers zur Verbesserung der individuellen Identifizierung beiträgt. Auf der Grundlage dieser Erkenntnisse gehen wir davon aus, dass jeder Körperteil über eine eigene raumzeitliche Darstellung verfügen sollte. Daraus leiten wir ein neuartiges, teilspezifisches Modell namens GaitPart ab, das zwei wesentliche Verbesserungen der Erkennungsleistung erzielt: Einerseits wird die Focal Convolution Layer eingeführt, eine neuartige Anwendung der Faltung, um die feinabgestimmte Lernleistung der räumlichen Merkmale auf Teil-Ebene zu stärken. Andererseits wird das Micro-motion Capture Module (MCM) vorgestellt, wobei mehrere parallele MCMs innerhalb von GaitPart jeweils einer vordefinierten Körperteilregion zugeordnet sind. Besonders hervorzuheben ist, dass das MCM eine innovative Methode der zeitlichen Modellierung für Gait-Aufgaben darstellt, die sich gezielt auf kurzfristige zeitliche Merkmale konzentriert, anstatt redundante langfristige Merkmale für zyklische Gangmuster zu erfassen. Experimente an zwei der populärsten öffentlichen Datensätze, CASIA-B und OU-MVLP, zeigen eindrucksvoll, dass unsere Methode neue State-of-the-Art-Ergebnisse auf mehreren Standard-Benchmarks erzielt. Der Quellcode wird unter https://github.com/ChaoFan96/GaitPart zur Verfügung gestellt.